Docker 中使用tesseract

Docker 中使用Tesseract

一、简介

项目使用python识别pdf图片。使用ocr识别图片，刚开始使用的CnOCR，结果在Docker部署时发现生成的镜像过大占用资源过多，所以需要更换一个OCR框架， 测试下来决定使用pytesseract。

由于项目需要部署到K8S，需要搭建Docker镜像。现搭建一个测试镜像。特此记录下来。

二、步骤

pytesseract安装简介。使用alpine基础镜像直接安装python3和tesseract-ocr。然后需要手动安装语言训练数据(在这下载)。本次项目只识别英文和数字，所以采用的是eng训练集。

python测试代码

if __name__ == '__main__':
    print("begin")
    from PIL import Image
    import pytesseract

    lang = pytesseract.get_languages()
    print(lang)
    
    path = "/pdf/cv_cut_thor.jpg"
    text = pytesseract.image_to_string(Image.open(path), lang='eng')
    items = text.split("\n")
    print(items)

Dockerfile

FROM alpine:latest

# Reloace repositoryies to faster download
RUN sed -i 's/dl-cdn.alpinelinux.org/mirrors.aliyun.com/g' /etc/apk/repositories && apk update

# Install python3 dependencies in virtral space
RUN apk add --no-cache --virtual temp_dependencies gcc libc-dev libffi-dev

# Set timezone
RUN apk add --no-cache tzdata
RUN ln -sf /usr/share/zoneinfo/Asia/Shanghai /etc/localtime && echo "Asia/Shanghai" > /etc/timezone

# Add tesseract-ocr
RUN  apk add tesseract-ocr

# Install python3
RUN apk add --no-cache python3 python3-dev py3-pip

# Install python libraries
RUN pip3 --no-cache-dir install -i https://pypi.tuna.tsinghua.edu.cn/simple pillow pytesseract

# Remove virtral space
RUN apk del temp_dependencies

#Create work directory
RUN mkdir -p /pdf

# test image
COPY cv_cut_thor.jpg /pdf/cv_cut_thor.jpg
COPY main.py /pdf/main.py

# Copy pytesseract tessdata
COPY eng.traineddata /usr/share/tessdata/

ENTRYPOINT python /pdf/main.py

# docker build -f pytesseract_Dockerfile -t pytesseract_ocr:0.1.0 .
# docker run -it --name myocr pytesseract_ocr:0.1.0

三、结果

项目运行后可以识别图片中的文字

镜像大小为367MB